Firebase Admin Node 中并发请求的令牌优化策略
在 Firebase Admin Node 项目中,开发者发现了一个关于消息发送接口的性能优化点。当使用 Messaging#sendEach 方法批量发送消息时,系统会为每条消息单独获取访问令牌,这在并发场景下会导致不必要的令牌获取请求。
问题背景
Firebase Admin SDK 中的消息发送功能需要有效的访问令牌来授权 API 调用。在批量发送场景下,每条消息都会触发一个独立的 HTTP 请求。虽然 SDK 内部实现了令牌缓存机制,但由于这些请求是并发执行的,缓存机制无法有效发挥作用。
具体表现为:当多个请求几乎同时到达时,每个请求都会检查缓存并发现令牌需要刷新,于是各自发起独立的令牌获取请求。这不仅增加了网络开销,还可能导致短时间内产生大量冗余请求。
解决方案分析
针对这个问题,项目维护者提出了两种可能的解决方案:
-
预获取令牌方案:在发送批量请求前预先获取令牌,然后将该令牌注入到每个发送请求中。这种方法直接避免了并发获取令牌的问题,但需要对现有请求处理流程进行一定改造。
-
令牌请求合并方案:改进
getToken()方法的实现,使其能够识别并合并并发的令牌刷新请求。当多个调用同时请求令牌时,系统只执行一次实际的刷新操作,并将同一个 Promise 返回给所有调用者。
经过讨论,第二种方案被认为更具通用性,因为它不仅解决了消息发送场景的问题,还能惠及所有需要授权访问的并发请求场景。
技术实现细节
令牌请求合并的核心实现思路是:
public getToken(forceRefresh = false): Promise<FirebaseAccessToken> {
if (forceRefresh || this.shouldRefresh()) {
if (!this.isRefreshing) {
this.promiseToCachedToken_ = this.refreshToken();
}
return this.promiseToCachedToken_
}
return Promise.resolve(this.cachedToken_);
}
这段代码引入了几个关键机制:
isRefreshing标志位:作为锁机制,防止重复刷新- 共享 Promise:所有并发请求共享同一个刷新操作的结果
- 缓存机制:在令牌有效期内直接返回缓存结果
方案优势
这种改进方案具有以下优点:
- 减少网络请求:有效避免了令牌刷新请求的"惊群效应"
- 保持API兼容性:不需要改变现有方法签名和使用方式
- 通用性强:适用于所有需要授权访问的场景
- 实现简洁:改动量小,风险可控
总结
在分布式系统和并发编程中,资源共享和请求合并是常见的优化手段。Firebase Admin Node 通过对令牌获取逻辑的改进,展示了如何优雅地处理并发场景下的资源竞争问题。这种模式也可以为其他需要处理类似问题的开发者提供参考。
对于使用 Firebase Admin SDK 的开发者来说,这一改进将带来更高效的批量消息发送体验,特别是在高并发场景下能够显著减少不必要的网络开销。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust098- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00